·542 工程科学学报，第41卷，第4期 具圆.本文针对0CT图像具有模糊，边界对比度 考虑图像边界间的距离，本文结构元素的大小M=3 低，眼底组织结构形态复杂等特点，利用免疫遗传形 或M=5. 态学分析OCT图像，获取图像各个局部特征信息， Step5.边界细化，灰度形态学提取边界较粗，对 并获得自适应局部结构元素，运用形态学边缘检测 其进行细化，提取中心线 滤波实现OCT图像中视网膜边界的提取，验证该自 Step6.合并各子图的二值分割结果，实现目标 适应结构元素在目标边缘检测中的优势.本文仿真 边界完整提取. 步骤如下： 4 结果分析对比 Stepl.图像去噪预处理，OCT图像受其成像原 理影响，往往存在散斑噪声，本文利用三维块匹配算 本文分析了10张视网膜0CT图像，来自于10 法(BM3D)对其去噪，增强算法提取准确度. 位健康对象，年龄分布于18至29岁.图片来源于 Step2.图像视网膜区域粗分割，视网膜上下边 北京人民解放军306医院眼科，拍摄仪器为Optovue 缘与背景存在较大的灰度差别，利用阈值分割方法 Avanti RTVue XR (Optovue Corp.,Fremont,CA). 获取OCT图像中视网膜大致区域，提高算法运算 图3展示了免疫遗传形态学视网膜边界提取过程. 效率. 其中图3(a)为OCT仪器获取的视网膜眼底断层图 Step3.图像分块，对图像进行分块操作，使得各 像，原图存在散斑噪声，通过去噪处理后图像光滑程 子图像中的特征形态较为单一.为保证分割结果的 度有效改善，如图3(b).图3()为图像视网膜区域 准确性和连续性，相邻子图像之间存在一半的重叠 粗分割结果.为了解决单个结构元无法适应整幅图 量.本文实验中图像尺寸为500像素×160像素，而 像问题，本文将原图进行分块处理，使各子图像中的 子图像尺寸为50像素×40像素，图3(d)中两个红 结构特征有所统一，图3()示例了分块过程和两个 色标记区域就是两个子图像，每个子图像由4个25 子图像.随后，利用基于免疫遗传算法求得各子图 像素×20像素的小块组成，最终共有19×7个子 的自适应结构元素，图3()中所得的结构元素较好 图像. 的反映了原子图中目标边缘的梯度方向信息，并用 Step4.对每一子图利用免疫遗传算法求取自适 形态边缘检测滤波提取目标边界.对边界进行细化 应结构元，并利用形态边缘检测滤波提取目标边界. 处理后，合并各子图分割结果得到完整的边界提取 (e) 00001 00100 01111 11100 11001 11001 00000 01010 10000 00011 图3视网膜边界提取过程.(a)原图：(b)去噪预处理：()视网膜区域粗分割：()图像分块：(e)自适应结构元与边缘检测：()最终分 割结果 Fig.3 Extraction process of retinal boundary:(a)original image;(b)de-noising preprocessing:(c)rough segmentation of retinal region:(d) image segmentation into blocks:(e)adaptive structure element and edge detection:(f)final segmentation result工程科学学报，第 41 卷，第 4 期 具［13］． 本文针对 OCT 图像具有模糊，边界对比度 低，眼底组织结构形态复杂等特点，利用免疫遗传形 态学分析 OCT 图像，获取图像各个局部特征信息， 并获得自适应局部结构元素，运用形态学边缘检测 滤波实现 OCT 图像中视网膜边界的提取，验证该自 适应结构元素在目标边缘检测中的优势． 本文仿真 步骤如下: 图 3 视网膜边界提取过程． ( a) 原图; ( b) 去噪预处理; ( c) 视网膜区域粗分割; ( d) 图像分块; ( e) 自适应结构元与边缘检测; ( f) 最终分 割结果 Fig． 3 Extraction process of retinal boundary: ( a) original image; ( b) de-noising preprocessing; ( c) rough segmentation of retinal region; ( d) image segmentation into blocks; ( e) adaptive structure element and edge detection; ( f) final segmentation result Step1． 图像去噪预处理，OCT 图像受其成像原 理影响，往往存在散斑噪声，本文利用三维块匹配算 法( BM3D) ［14］对其去噪，增强算法提取准确度． Step2． 图像视网膜区域粗分割，视网膜上下边 缘与背景存在较大的灰度差别，利用阈值分割方法 获取 OCT 图像中视网膜大致区域，提高算法运算 效率． Step3． 图像分块，对图像进行分块操作，使得各 子图像中的特征形态较为单一． 为保证分割结果的 准确性和连续性，相邻子图像之间存在一半的重叠 量． 本文实验中图像尺寸为 500 像素 × 160 像素，而 子图像尺寸为 50 像素 × 40 像素，图 3( d) 中两个红 色标记区域就是两个子图像，每个子图像由 4 个 25 像素 × 20 像素的小块组成，最终共有 19 × 7 个子 图像． Step4． 对每一子图利用免疫遗传算法求取自适 应结构元，并利用形态边缘检测滤波提取目标边界． 考虑图像边界间的距离，本文结构元素的大小 M = 3 或 M = 5． Step5． 边界细化，灰度形态学提取边界较粗，对 其进行细化，提取中心线． Step6． 合并各子图的二值分割结果，实现目标 边界完整提取． 4 结果分析对比 本文分析了 10 张视网膜 OCT 图像，来自于 10 位健康对象，年龄分布于 18 至 29 岁． 图片来源于 北京人民解放军 306 医院眼科，拍摄仪器为 Optovue Avanti ＲTVue XＲ ( Optovue Corp． ，Fremont，CA) ． 图 3 展示了免疫遗传形态学视网膜边界提取过程． 其中图 3( a) 为 OCT 仪器获取的视网膜眼底断层图 像，原图存在散斑噪声，通过去噪处理后图像光滑程 度有效改善，如图3( b) ． 图3( c) 为图像视网膜区域 粗分割结果． 为了解决单个结构元无法适应整幅图 像问题，本文将原图进行分块处理，使各子图像中的 结构特征有所统一，图 3( d) 示例了分块过程和两个 子图像． 随后，利用基于免疫遗传算法求得各子图 的自适应结构元素，图 3( e) 中所得的结构元素较好 的反映了原子图中目标边缘的梯度方向信息，并用 形态边缘检测滤波提取目标边界． 对边界进行细化 处理后，合并各子图分割结果得到完整的边界提取 · 245 ·